前言
使用 Pandas 的between 、cut、qcut 和 value_count离散化数值变量。
分箱是一种常见的数据预处理技术有时也被称为分桶或离散化，他可用于将连续数据的间隔分组到[箱]或[桶]中。在本文中，我们将讨论使用 python Pandas 库对数值进行分箱的 4 种方法。
我们创建以下合成数据用于演示
import?pandas?as?pd?#?version?1.3.5?
import?numpy?as?np?
def?create_df():?
?df?=?pd.DataFrame({'score':?np.random.randint(0,101,1000)})?
?return?df?
?
create_df()?
df.head()
数据包括 1000 名学生的 0 到 100 分的考试分数。而这次的任务是将数字分数分为值[A]、[B]和[C]的等级，其中[A]是最好的等级，[C]是最差的等级。
1、between & loc
Pandas .between 方法返回一个包含 True 的布尔向量，用来对应的 Series 元素位于边界值 left 和 right 之间。
参数有下面三个：
left：左边界 right：右边界 inclusive：要包括哪个边界。可接受的值为 {[both]、[neither]、[left]、[right]}。根据以下间隔规则将学生的分数分为等级：
A: (80, 100] B: (50, 80] C: [0, 50]其中方括号 [ 和圆括号 ) 分别表示边界值是包含的和不包含的。我们需要确定哪个分数在感兴趣的区间之间，并为其分配相应的等级值。注意看下面的不同的参数表示是否包含边界
df.loc[df['score'].between(0,?50,?'both'),?'grade']?=?'C'? df.loc[df['score'].between(50,?80,?'right'),?'grade']?=?'B'? df.loc[df['score'].between(80,?100,?'right'),?'grade']?=?'A'
以下是每个分数区间的人数：
df.grade.value_counts()
此方法需要为每个 bin 编写处理的代码，因此它仅适用于 bin 很少的情况。
2、cut
可以使用 cut将值分类为离散的间隔。此函数对于从连续变量到分类变量也很有用。
cut的参数如下：
x：要分箱的数组。必须是一维的。 bins：标量序列：定义允许非均匀宽度的 bin 边缘。 labels：指定返回的 bin 的标签。必须与上面的 bins 参数长度相同。 include_lowest: (bool) 第一个区间是否应该是左包含的。bins?=?[0,?50,?80,?100]? labels?=?['C',?'B',?'A']? df['grade']?=?pd.cut(x?=?df['score'],? ??????????????????????bins?=?bins,? ??????????????????????labels?=?labels,? ??????????????????????include_lowest?=?True)这样就创建一个包含 bin 边界值的 bins 列表和一个包含相应 bin 标签的标签列表。
查看每个区段的人数
df.grade.value_counts()结果与上面示例相同。
3、qcut
qcut可以根据排名或基于样本分位数将变量离散为大小相等的桶[3]。
在前面的示例中，我们为每个级别定义了分数间隔，这回使每个级别的学生数量不均匀。在下面的示例中，我们将尝试将学生分类为 3 个具有相等（大约）数量的分数等级。示例中有 1000 名学生，因此每个分箱应该有大约 333 名学生。
qcut参数：
x：要分箱的输入数组。必须是一维的。 q：分位数。10 表示十分位数，4 表示四分位数等。也可以是交替排列的分位数，例如[0, .25, .5, .75, 1.] 四分位数。 labels：指定 bin 的标签。必须与生成的 bin 长度相同。 retbins: (bool) 是否返回 (bins, labels)。df['grade'],?cut_bin?=?pd.qcut(df['score'],? ??????????????????????????q?=?3,? ??????????????????????????labels?=?['C',?'B',?'A'],? ??????????????????????????retbins?=?True)? df.head()
print?(cut_bin)? >>?[??0.??36.??68.?100.]分数间隔如下：
C：[0, 36] B：(36, 68] A：(68, 100]使用 .value_counts() 检查每个等级有多少学生。理想情况下，每个箱应该有大约 333 名学生。
df.grade.value_counts()
4、value_counts
虽然 pandas .value_counts 通常用于计算系列中唯一值的数量，但它也可用于使用 bins 参数将值分组到半开箱中。
df['score'].value_counts(bins?=?3,?sort?=?False)默认情况下， .value_counts 按值的降序对返回的系列进行排序。将 sort 设置为 False 以按其索引的升序对系列进行排序。
(-0.101, 33.333] 310 (33.333, 66.667] 340 (66.667, 100.0] 350 Name: score, dtype: int64series 索引是指每个 bin 的区间范围，其中方括号 [ 和圆括号 ) 分别表示边界值是包含的和不包含的。返回series 的值表示每个 bin 中有多少条记录。
与 .qcut 不同，每个 bin 中的记录数不一定相同（大约）。.value_counts 不会将相同数量的记录分配到相同的类别中，而是根据最高和最低分数将分数范围分成 3 个相等的部分。分数的最小值为 0，最大值为 100，因此这 3 个部分中的每一个都大约在 33.33 范围内。这也解释了为什么 bin 的边界是 33.33 的倍数。
我们还可以通过传入边界列表来定义 bin 边界。
df['score'].value_counts(bins?=?[0,50,80,100],?sort?=?False)这给了我们与示例 1 和 2 相同的结果。
以上就是Pandas对数值进行分箱操作的4种方法总结的详细内容，更多关于Pandas数值分箱的资料请关注其它相关文章！
查看更多关于Pandas对数值进行分箱操作的4种方法总结的详细内容...
声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://www.haodehen.cn/did16913